西工大在人工智能自適應光學方面取得重要進展
提出了一種基于深度學習的波前傳感方法，使用卷積神經(jīng)網(wǎng)絡直接從畸變的強度圖中恢復波前畸變相位，再使用空間光調(diào)制器等進行矯正，極大地簡化了自適應光學系統(tǒng)結(jié)構(gòu)。
 大氣湍流或生物組織等介質(zhì)會引起光場波前畸變，從而導致成像系統(tǒng)性能嚴重下降。為消除波前畸變影響，通常需要使用波前傳感器獲取波前畸變信息，并使用變形鏡或空間光調(diào)制器對波前畸變進行矯正，以獲得清晰的目標圖像。這種自適應光學技術(shù)被廣泛應用于天文觀測、自由空間光通信、眼底成像等。然而，波前傳感器成本高昂，且往往需要額外的引導光源。 近日，西北工業(yè)大學物理科學與技術(shù)學院趙建林教授團隊，與中國工程物理研究院流體物理研究所合作，在基于深度學習的自適應光學技術(shù)方面取得重要研究進展。相關(guān)成果以“Deep learning wavefront sensing and aberration correction in atmospheric turbulence”為題在線發(fā)表于中國光學工程學會會刊《PhotoniX》（DOI: 10.1186/s43074-021-00030-4）。  圖1. 基于深度學習的波前傳感方法示意圖 研究團隊提出了一種基于深度學習的波前傳感方法，使用卷積神經(jīng)網(wǎng)絡直接從畸變的強度圖中恢復波前畸變相位，再使用空間光調(diào)制器等進行矯正，極大地簡化了自適應光學系統(tǒng)結(jié)構(gòu)（見圖1）。首先，通過數(shù)值模擬對不同復雜度的樣品進行了對比分析，發(fā)現(xiàn)對于單一不變樣品，神經(jīng)網(wǎng)絡的重建性能最高，隨著樣品復雜度的增加，神經(jīng)網(wǎng)絡性能逐漸下降；使用某類樣品訓練的神經(jīng)網(wǎng)絡對于與之相似的另一類樣品具有很好的泛化能力。隨后，對直接預測波前畸變相位和先預測澤尼克系數(shù)的兩種重建方式進行了對比分析，發(fā)現(xiàn)對于簡單波前畸變相位，兩種方式的精度一致；對于復雜波前畸變相位，前者的精度更高。  圖2. 實驗光路圖 |
1.行業(yè)新聞、市場分析。 2.新品新技術(shù)（最新研發(fā)出來的產(chǎn)品技術(shù)介紹，包括產(chǎn)品性能參數(shù)、作用、應用領(lǐng)域及圖片）； 3.解決方案/專業(yè)論文（針對問題及需求，提出一個解決問題的執(zhí)行方案）； 4.技術(shù)文章、白皮書，光學軟件運用技術(shù)（光電行業(yè)內(nèi)技術(shù)文檔）；
如果想要將你的內(nèi)容出現(xiàn)在這里，歡迎聯(lián)系我們，投稿郵箱：service@opticsky.cn